太万雪，刘成林，田继先，冯德浩，曾 旭，李 培，孔 骅

(1.油气资源与探测国家重点实验室，北京 102249;2.中国石油大学(北京)，北京 102249;3.中国石油勘探开发研究院，河北 廊坊 065007)

0 引言

烃源岩总有机碳含量(TOC)是识别有效烃源岩的重要依据，相关学者在TOC预测研究中通常使用的手段有多元回归法、ΔlgR法、人工神经网络法以及支持向量机和核磁共振测井等［1－4］。ΔlgR法是Passey等［5］通过大量数据拟合和实验分析提出的一种经典理论。国内外学者针对原始的ΔlgR模型进行多种改进［6－7］，边雷博等［8］在 ΔlgR 法基础上增加自然伽马参数，使预测模型更加稳定。但上述ΔlgR法均未针对受盐度影响岩性变化复杂的烃源岩地层进行过研究。多元回归模型通过建立自变量与因变量的数学关系进行TOC预测，计算简便，但一般仅是根据数学关系进行模型建立，缺乏地质思维。人工神经网络模型通过模拟人脑神经元处理信息的机制，对输入样本的TOC与测井曲线的相关性进行学习，从而预测未知层位的TOC。近年来国内外大量学者在预测TOC时，均大量应用人工神经网络方法［9－12］。但在使用神经网络方法时，未针对输入测井参数进行优选，参数冗余导致模型泛化能力弱。

目前柴达木盆地西部古近系咸化湖盆仍然采用单一的方法进行TOC的预测，前人忽略了盐度对测井参数及TOC的影响。在柴西地区分别应用多元回归法、优化的ΔlgR法和BR－BP神经网络法进行TOC预测，讨论3种方法预测TOC的精度，通过对方法的优化提高TOC预测精度。解决柴西地区不同咸化条件下烃源岩预测的难题，为国内外咸化烃源岩TOC的预测提供了一种切实可行的流程及方法。……